anonym.legal

By · Last updated 2026-06-05

Terug naar BlogGDPR & Naleving

NAIH Hongarije: AI-governance & DPA-regels

NAIH verplicht DPIA's voor alle AI-systemen die persoonsgegevens verwerken. Hongaarse NER-nauwkeurigheid is 67% — ruim onder het EU-gemiddelde van 82%.

June 5, 20268 min lezen
Hungary NAIHAI GDPR complianceTAJ-szám detectionCentral Europe DPAHungarian data protection

NAIH Hongarije: AI-governance en DPA-regels

Hongarije's gegevensbeschermingsinstelling is NAIH — Nemzeti Adatvédelmi és Információszabadság Hatóság. De autoriteit heeft de meest gedetailleerde AI-richtsnoeren uitgevaardigd van alle Midden-Europese DPA's. In 2024 nam zij 38 handhavingsbeslissingen en publiceerde regels die een DPIA vereisen voor elk AI-systeem dat persoonsgegevens verwerkt. Deze regels gaan verder dan de AVG-basislijn.

NAIH's AI-handhavingsregels

De meeste EU-DPA's publiceren brede AI-richtsnoeren. Hongarije's DPA ging verder. Haar richtsnoeren van 2024 zijn operationeel specifiek.

DPIA's vereist voor alle AI-systemen: Elk AI-systeem dat persoonsgegevens aanraakt, vereist vóóraf een DPIA. Dit geldt zelfs wanneer de verwerking niet "hoog-risico" is onder AVG Artikel 35 — strenger dan de AVG zelf.

Wat een NAIH-DPIA moet bevatten:

  • Een technische beschrijving van de data-inputs en -outputs van het AI-model
  • Bewijs dat trainingsgegevens geanonimiseerd waren of een geldige rechtsgrondslag hadden
  • Een beoordeling van algoritmisch discriminatierisico
  • Een menselijke beoordelingsstap voor geautomatiseerde beslissingen
  • Een bewaartermijn- en verwijderingsschema voor door AI verwerkte gegevens

Jaarlijkse herziening: De autoriteit vereist jaarlijkse actualisering van DPIA's bij hertraining of significante wijzigingen van een AI-systeem.

Hongarije behandelde in 2024 meer dan 890.000 AVG-gegevensverzoeken — een groot volume voor een land van 10 miljoen inwoners, wat wijst op actief rechtengebruik en echte druk op compliance-teams.

De NER-nauwkeurigheidskloof

De beoordeling van de autoriteit uit 2024 testte NER-modellen op Hongaarse tekst en scoorde slechts 67% nauwkeurigheid tegenover het EU-gemiddelde van 82%. Dit 15-procentpuntsverschil heeft reële nalevingskosten.

Hongaars is een agglutinerende taal waarbij woorden door vele achtervoegsels worden gevormd. Namen, adressen en ID's in het Hongaars zien er heel anders uit dan in het Engels of Duits. Op die talen getrainde tools missen een groot deel van de persoonsgegevens in Hongaarse tekst. Zie onze meertalige PII-detectiegids voor hoe deze kloof AVG-naleving in verschillende talen beïnvloedt.

De toezichthouder stelde vast dat generieke NLP-tools het TAJ-szám in 61% van de documenten missen wegens formaatvaratie en ontbrekende checksomondersteuning.

Hongaarse nationale identificatoren

Teams die Hongaarse documenten verwerken, moeten deze ID-typen nauwkeurig detecteren. Zie onze EU-nationale belasting-ID-detectiegids voor EU-breed context.

TAJ-szám (Társadalombiztosítási Azonosító Jel): Een 9-cijferig sociaalverzekeringsnummer in gezondheids-, uitkerings- en pensioendossiers. Validatie gebruikt een gewogen checksom ingesteld door de Sociale Verzekeringsinstantie.

Adóazonosító jel: Een 10-cijferig persoonlijk fiscaal ID met 8-cijferige kern plus 2 controlecijfers. Verschijnt in loonlijsten, belastingaangiften en arbeidscontracten.

Személyi igazolvány-nummer: Het nationaal identiteitsbewijsnummer met formaat en controlecijferregels van de uitgevende autoriteit.

Útlevél szám: Het paspoortnummer met formaat en controlecijfer van de uitgevende autoriteit.

De Ügyfélkapu-context

Hongarije levert de meeste overheidsdiensten via één platform — Ügyfélkapu (Klantenportaal). Meer dan 4 miljoen burgers gebruiken het voor belasting, uitkeringen, gezondheidszorg en vergunningen. Particuliere bedrijven koppelen aan Ügyfélkapu voor loonbeheer, uitkeringen of identiteitscontroles en verwerken daarin dezelfde identificatoren in een gereguleerde context.

De autoriteit stelde vast dat deze bedrijven vaak internationale PII-tools gebruiken die geen ondersteuning bieden voor bovenstaande identificatoren, wat leidt tot gemiste gegevens en direct nalevingsrisico.

Overlap met de EU AI-wet

Hongarije was vroeg in het integreren van AI-wetregels in DPA-richtsnoeren. Het standpunt van de toezichthouder is duidelijk.

Hoog-risico AI-systemen staan in AI-wet Bijlage III en omvatten werk, kredietscorig en essentiële diensten. Ze vereisen zowel een AI-wet conformiteitsbeoordeling als een NAIH-DPIA.

Algemene AI-modellen die gegevens van personen in Hongarije verwerken, vereisen ook een NAIH-DPIA — zelfs wanneer het model niet als hoog-risico onder de AI-wet is geclassificeerd.

Voor teams die AI inzetten in Hongarije bestaat de kerncontrolelijst uit drie items: voltooi een NAIH-DPIA vóór lancering, verifieer dat uw NER-tool de bovenstaande entiteiten in Hongaarse tekst dekt, en bevestig TAJ-szám- en adóazonosító jel-detectie met checksomvalidatie.

Bronnen

Klaar om uw gegevens te beschermen?

Begin met het anonimiseren van PII met 285+ entiteitstypen in 48 talen.

About this page

We update this page when our platform or the law changes.

Read our founder note for how we work.

Each change shows up in the timestamp at the top.

Related reading

We follow these rules

  • GDPR (EU 2016/679).
  • ISO/IEC 27001:2022.
  • NIS2 (EU 2022/2555).
  • HIPAA safe harbor under 45 CFR § 164.514(b)(2).

Our promise

We do not sell your data.

We do not train models on your text.

We store your files in Germany.

You can delete your account at any time.

You own your work.

Where we run

Our servers live in Falkenstein, Germany.

We use Hetzner. They hold ISO 27001 certification.

All data stays in the EU.

Backups run every day.

Need help?

Email support@anonym.legal.

We reply within one business day.

How we test

We run a full check suite on every release.

Each surface gets its own sweep script and report.

Human reviewers spot-check the output each week.

We track recall and precision on a labelled set.

Bad runs block the deploy.

What we never do

  • We never sell your information to third parties.
  • We never train models on what you upload.
  • We never keep your work after you delete it.
  • We never share keys with any outside firm.
  • We never run ads inside the product.

Plans in plain words

We sell credits, not seats.

One credit covers one short job.

Long jobs use a few credits each.

You can top up at any time.

Unused credits roll over each month.

Read the plans page for current rates.

Who built this

A small team of engineers and lawyers built this.

We ship from Europe and work in the open.

Our founder note spells out why we started.

Where to start

How the parts fit

A browser add-on cleans text inside Chrome.

A Word plug-in handles drafts in Office.

A small desktop tool works on whole folders.

An agent protocol link feeds large models safely.

All four share one core engine and one rule set.

Words from our team

We started this work after a lunch about cookies.

One friend kept getting odd ads on her phone.

We asked why a court file leaked through a draft.

We sketched the first build on a napkin that week.

By month three we had a tiny demo for a friend.

She used it on her first case the next day.

Common questions we hear

Can the tool read scanned PDFs? Yes, with OCR.

Does it work on long files? Yes, in small chunks.

Can I roll my own rule set? Yes, save it as a preset.

Does it run offline? The desktop build runs offline.

Do you keep my files? No, the cloud build wipes after each run.

Will it learn from my work? No, we never train on inputs.

A short tour of the workflow

Upload a file or paste a snippet of prose.

Pick the entities you want gone from the draft.

Choose a method: replace, mask, hash, encrypt, or redact.

Press run and watch the side panel show each hit.

Skim the result and tweak any rule that misfired.

Save the cleaned file or send it to a teammate.